空间数据分析中最常用的是聚类分析,而K-MEANS算法是.docVIP

空间数据分析中最常用的是聚类分析,而K-MEANS算法是聚类分析中常用的,其主要思想是在给定的聚类数目下对多维(我做的是三维空间点)向量进行聚类,其过程为: 1.首先根据聚类数目,初始化聚类中心(一般是随机确定的) 2.判断所有向量到聚类中心的距离(常用是欧氏距离),将所有向量划分归类. 3.对每类进行中心点计算,看是否与原中心点相吻合,全部吻合则循环结束,否则变换中心,返回STEP 1. ?? 其缺点有： 1.对于随机的初始选取可能导致不同的聚类结果,甚至存在着无解的情况 2.该算法是基于目标函数的算法,通常采用梯度法求解极值,由于梯度法的有哪些信誉好的足球投注网站方向是沿着能量减小的方向进行,使得算法很容易陷入局部极值,而且对于孤立点是敏感的. ??? 运用该算法可根据实际情况定义初始聚类中心。 以下是我做的聚类分析的代码（仅供参考） vectoraCluster m_vecCluster;? //用来存储所有的聚类 struct aCluster { ?aCluster()? { NumMembers=0;} ?? Point3D????? Center;????? //存放类的中心 ?? vectorint? Member;????? //（存放当前类中的点的index） ?? int????????? NumMembers;? //存放类中点的数目 }; void CView::OnCluster() { ?//清除原有数据 ?m_vecCluster.clear();//放聚类点 ?m_vecExtreCenter.clear();//聚类中心 ??CString str; ??? str.Format(%i,MaxCluster+1); ?if(m_numClusters=MaxCluster) ?{ ????InitCenter(); ? //找初始聚类中心,一般情况下,可随机定义,偶根据数据做了点处理. ??InitClusters(); ? //用初始聚类中心初始类 ??RunKMeans(); ?} ?else ??MessageBox(请输入一个小于 + str + 的聚类数目);? } ? void CView::InitClusters() { ??? int i; ?aCluster aClus; ? ?for(i = 0; i m_numClusters; i++) ?{ ??aClus.Center.x=m_vecExtreCenter[i].extrePoint.x; ??aClus.Center.y=m_vecExtreCenter[i].extrePoint.y; ??m_vecExtreCenter[i].extrePoint.z=1250; ??aClus.Center.z=m_vecExtreCenter[i].extrePoint.z; ?? ??m_vecCluster.push_back(aClus);? ?} ? } ? void CView::RunKMeans() { ?bool converged; //控制循环终止条件 ?int pass;???????????? //叠代次数 ?pass=1;?????? ?converged=false; ?while (converged==false) ?{ ??pass++; ??DistributeSamples(); ??converged=CalcNewClustCenters(); ?? ??if(pass100) ???break; ?} /* endwhile */ ? } ? void CView::DistributeSamples() { ?int i,pat,Clustid; ?//清空聚类成员个数 ?for (i=0; im_vecCluster.size();i++) ?{ ??m_vecCluster[i].NumMembers=0; ??m_vecCluster[i].Member.clear(); ?} ?for (pat=1; pat=m_numKhd; pat++) ?{ ??//找出离index为pat的点最近的类 ??Clustid= FindClosestCluster(pat); ??//将该点加入到找到的类中 ??m_vecCluster[Clustid].Member.push_back(pat); ??m_vecCluster[Clustid].NumMembers++; ?} /* endfor */ ? } int CView::FindClosest